Надежда Сергеевна Никифорова — доктор технических наук, профессор кафедры механики грунтов и геотехники
129337, г. Москва, Ярославское шоссе, д. 26
РИНЦ AuthorID: 546750, Scopus: 7005513559, ResearcherID: P-3429-2015
Nadezhda S. Nikiforova — Doctor of Technical Sciences, Professor of the Department of Soil Mechanics and Geotechnics
26 Yaroslavskoe shosse, Moscow, 129337
RSCI AuthorID: 546750, Scopus: 7005513559, ResearcherID: P-3429-2015
Даниил Дмитриевич Пирогов — аспирант кафедры механики грунтов и геотехники
129337, г. Москва, Ярославское шоссе, д. 26
Daniil D. Pirogov — postgraduate student of the Department of Soil Mechanics and Geotechnics
26 Yaroslavskoe shosse, Moscow, 129337
Введение. В условиях реконструкции зданий с освоением подземного пространства контроль деформаций фундаментов имеет ключевое значение. Традиционные критерии, основанные только на величинах осадки и относительной ее неравномерности, не позволяют в полной мере учитывать пространственное распределение деформаций и взаимосвязь с инженерно-геологическими и конструктивными факторами.
Материалы и методы. Применена цифровая методика прогнозирования деформаций оснований реконструируемых зданий, базирующаяся на аппроксимации осадки кубическими сплайнами и последующем анализе ее производных функций (угла наклона и кривизны). Методика включает: формализацию алгоритма построения непрерывных профилей осадки и вычисления ее производных по данным геодезического мониторинга; проверку корректности методики на выборке объектов реконструкции в Москве и Санкт-Петербурге с различными параметрами котлованов, протяженностью и ориентацией стен, а также инженерно-геологическими условиями; использование методов машинного обучения (МО) для выявления связей между геометрическими параметрами котлованов, характеристиками грунтов и наблюдаемыми деформациями.
Результаты. Построенные поля осадки и ее производных позволили локализовать зоны максимальных деформаций между марками и зафиксировать случаи превышения предельных значений, установленных нормативами. Методы МО продемонстрировали возможность прогнозирования параметров деформаций (C′, D′) по внешним данным о геометрии и грунтовых характеристиках, обеспечив приемлемую точность на ограниченной выборке.
Выводы. Применение кубической сплайн-аппроксимации осадок основания, реконструируемых с устройством подземной части зданий и вычисления углов наклона и кривизны подошвы фундамента, расширяет традиционный инструментарий анализа, позволяя выявлять локальные зоны деформаций, недоступные при линейном приближении. Интеграция с алгоритмами МО открывает перспективу использования методики для прогноза поведения оснований в новых проектах реконструкции с освоением подземного пространства в условиях плотной городской застройки.
Introduction. In the context of building reconstruction with underground space development, monitoring foundation deformations is of critical importance. Traditional criteria based solely on settlement magnitudes and their relative non-uniformity do not fully capture the spatial distribution of deformations and their correlation with geotechnical and structural factors.
Materials and methods. A digital methodology for predicting deformations of the foundations of reconstructed buildings was applied, based on the approximation of settlement by cubic splines and subsequent analysis of its derivative functions (angle of inclination and curvature). The methodology includes: formalization of the algorithm for constructing continuous settlement profiles and calculating their derivatives from geodetic monitoring data; validation of the methodology using case studies of reconstruction projects in Moscow and St. Petersburg with varying excavation parameters, wall lengths and orientations, as well as geotechnical conditions; application of machine learning methods to identify relationships between excavation geometry, soil parameters, and observed deformations.
Results. The constructed fields of settlement and its derivatives made it possible to localize zones of maximum deformations between benchmarks and to record cases of exceeding normative threshold values. Machine learning methods demonstrated the ability to predict deformation parameters (C′, D′) from external data on geometry and soil properties, providing acceptable accuracy on a limited dataset.
Conclusions. The application of cubic spline approximation of settlements in reconstructed buildings with underground parts, along with the calculation of slope and curvature of the foundation base, expands the traditional analysis toolkit, enabling identification of local deformation zones inaccessible to linear approximation. Integration with machine learning algorithms offers prospects for predicting foundation behavior in new reconstruction projects with underground development under dense urban conditions.
The authors declare that there are no conflicts of interest present.